Earticle

초록

영어

This study proposes a Channel-Independent Convolutional U-Net (CICU) model for efficient anomaly detection in multivariate time-series sensor data under resource-constrained edge computing environments. The proposed model combines sensor-wise grouped convolutions with sequence-wise linear transformations to extract temporal features and employs skip connections to preserve feature information during reconstruction. Experiments conducted on vehicle engine ECU sensor data demonstrate that CICU achieves 100% accuracy, precision, recall, and F1-score, matching the detection performance of a Temporal Convolutional Network (TCN) autoencoder while outperforming linear, LSTM, and GRU autoencoder baselines. Furthermore, CICU reduces the number of trainable parameters by approximately 53.6% and 89.7% compared with the linear and TCN autoencoders, respectively, while achieving shorter inference times. Additional ablation studies investigate the effects of skip connections and convolutional configurations on detection performance, latent space representations, and computational efficiency. The results demonstrate that the proposed model achieves a favorable balance between detection performance and computational efficiency, highlighting its potential for intelligent condition monitoring systems deployed in resource-constrained edge environments.

한국어

본 연구는 산업 현장의 엣지 컴퓨팅 환경에서 다변량 시계열 센서 데이터의 이상 상태를 효율적으로 탐지하기 위한 채널 독립적 합성곱 U-Net(CICU) 기반 모델을 제안한다. 제안 모델은 센서 채널별 그룹화 합성곱과 시퀀스 축의 선형 변환을 결합하여 시간적 특징을 추출하고, Skip Connection을 통해 복원 과정에서 특징 정보를 활용하도록 설계하였다. 차량 엔진 ECU 센서 데이터를 대상으로 Linear, LSTM, GRU 및 TCN 기반 AutoEncoder와 비교한 결과, CICU는 Accuracy, Precision, Recall 및 F1-score에서 모두 100%를 기록하여 TCN과 동등한 이상 탐지 성능을 달성하였다. 또한, Linear 및 TCN 대비 파라미터 수를 각각 약 53.6%와 89.7% 감소시키면서 상대적으로 짧은 추론 시간을 확보하였다. 추가적인 절제 연구에서는 Skip Connection 적용에 따른 탐지 성능 및 잠재 공간 표현의 차이를 확인하였으며, 합성곱 연산 방식에 따른 성능과 연산 효율성의 차이를 분석하였다. 이러한 결과는 제안 모델이 제한된 컴퓨팅 자원에서도 높은 이상 탐지 성능과 연산 효율성을 동시에 확보할 수 있음을 보여주며, 엣지 기반 지능형 상태진단 시스템에 적용할 가능성을 제시한다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
Ⅲ. 제안 방법론
Ⅳ. 실험 내용
4.1 실험 데이터
4.2 모델 파라미터
4.3 실험 환경
Ⅴ. 실험 결과 및 분석
5.1 정량적 이상 탐지 성능 비교
5.2 모델별 잠재 공간 표현 및 연산 효율성 비교
5.3 구조적 요소에 따른 절제 연구
Ⅵ. 결론
REFERENCES

키워드

저자

• 이경숙 [ Kyungsook Lee | 한국과학기술정보연구원 데이터분석연구본부 ] Corresponding Author
• 이가원 [ Gawon Lee | 한국과학기술정보연구원 데이터분석연구본부 ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  차세대융합기술학회논문지 [The Journal of Next-generation Convergence Technology Association]

• 간기

  월간

• pISSN

  2508-8270

• 수록기간

  2017~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 506 DDC 606